CN109886953A - 一种血管异常检测方法、装置及计算机可读存储介质 - Google Patents
一种血管异常检测方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN109886953A CN109886953A CN201910147573.XA CN201910147573A CN109886953A CN 109886953 A CN109886953 A CN 109886953A CN 201910147573 A CN201910147573 A CN 201910147573A CN 109886953 A CN109886953 A CN 109886953A
- Authority
- CN
- China
- Prior art keywords
- aberrant angiogenesis
- blood vessel
- candidate point
- subregion
- point
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000001594 aberrant effect Effects 0.000 title claims abstract description 136
- 230000033115 angiogenesis Effects 0.000 title claims abstract description 136
- 238000001514 detection method Methods 0.000 title claims abstract description 30
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 145
- 238000000034 method Methods 0.000 claims abstract description 25
- 230000008569 process Effects 0.000 claims abstract description 13
- 230000002159 abnormal effect Effects 0.000 claims description 72
- 238000012216 screening Methods 0.000 claims description 19
- 208000031481 Pathologic Constriction Diseases 0.000 claims description 8
- 230000036262 stenosis Effects 0.000 claims description 8
- 208000037804 stenosis Diseases 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 4
- 108010001267 Protein Subunits Proteins 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 description 18
- 238000010968 computed tomography angiography Methods 0.000 description 10
- 238000012360 testing method Methods 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 239000008280 blood Substances 0.000 description 6
- 210000004369 blood Anatomy 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000003384 imaging method Methods 0.000 description 5
- 230000003902 lesion Effects 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 4
- 230000002792 vascular Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 230000003862 health status Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000029052 metamorphosis Effects 0.000 description 2
- 206010057469 Vascular stenosis Diseases 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种血管异常检测方法、装置及计算机可读存储介质，其中方法包括：获取血管的直径曲线；对所述直径曲线执行曲线拟合处理，得到血管特征曲线；根据所述直径曲线及所述血管特征曲线筛选出所述血管异常区域。通过实施本发明，提高了血管异常检测的准确性。
Description
技术领域
本发明涉及医学成像领域，尤其涉及一种血管异常检测方法、装置及计算机可读存储介质。
背景技术
随着科学技术的不断发展，计算机断层扫描血管造影(CTA，Computed TomographyAngiography)技术已经越来越多的应用在医疗诊断中，对医学上判断血管异常处具有重要的临床价值和实际意义。现有的判断血管狭窄处的技术，通常是CTA成像与医生人工判断相结合，医生依据血管CTA图像估算出血管的理想形状，并将血管CTA图像与理想的血管形状进行比对，从而确定血管的异常情况。
然而，通过医生人工判断血管异常情况的方法，容易受到医生水平及医生工作状态等主观因素影响，误差较大。
发明内容
为解决上述问题，本发明提供一种血管异常检测方法、装置及计算机可读存储介质，以提高测量的准确性。
一方面，本发明提供一种血管异常检测方法，包括：获取血管的直径曲线；对所述直径曲线执行曲线拟合处理，得到血管特征曲线；根据所述直径曲线及所述血管特征曲线筛选出血管异常区域。
在一可实施方式中，所述根据直径曲线及血管特征曲线筛选出血管异常区域，包括：对比所述直径曲线和血管特征曲线，在所述直径曲线中筛选出异常点；由所述异常点得到血管异常子区域及血管异常区域；其中，所述血管异常子区域由单个不连续的所述异常点及多个连续的所述异常点构成，所述血管异常区域为所述血管异常子区域的集合。
在一可实施方式中，所述在直径曲线中筛选出异常点，包括：在所述直径曲线中选择第一候选点；将所述血管特征曲线中与所述第一候选点位置对应的候选点确定为第二候选点；将所述第一候选点与所述第二候选点的直径数值进行比对；判断所述第一候选点的直径数值是否小于所述第二候选点的直径数值；当所述第一候选点的直径数值小于所述第二候选点的直径数值时，确定相应的第一候选点为所述异常点。
在一可实施方式中，在得到血管异常子区域及血管异常区域后，所述方法还包括：分别计算每个所述血管异常子区域的血管狭窄率。
在一可实施方式中，所述分别计算每个血管异常子区域的血管狭窄率，包括：获取血管异常子区域的类型；当所述血管异常子区域由单个不连续异常点构成时，所述血管狭窄率为所述血管异常子区域中的所述异常点所对应的所述第一候选点的直径数值与所述第一候选点对应的所述第二候选点的直径数值的比值；当所述血管异常子区域由多个连续异常点构成时，分别计算所述血管异常子区域中所包含的全部所述异常点的所述血管狭窄率，即计算每个异常点所对应的所述第一候选点的直径数值与所述第一候选点对应的所述第二候选点的直径数值的比值；将得到的所述异常点中数值最小的血管狭窄率确定为所述血管异常子区域的血管狭窄率；输出所述异常子区域的血管狭窄率。
另一方面，本发明还提供一种血管异常检测装置，包括：获取模块，用于获取血管的直径曲线；拟合模块，用于对所述直径曲线执行曲线拟合处理，得到血管特征曲线；筛选模块，用于根据所述直径曲线及所述血管特征曲线筛选出所述血管异常区域。
在一可实施方式中，所述筛选模块包括：对比筛选单元，用于对比所述直线曲线和血管特征曲线，在所述直径曲线中筛选出异常点；整理单元，用于由所述异常点得到血管异常子区域及血管异常区域；其中，所述血管异常子区域由单个不连续的所述异常点及多个连续的所述异常点构成，所述血管异常区域为所述血管异常子区域的集合。
在一可实施方式中，所述对比筛选单元包括：候选点选取子单元，用于在所述直径曲线中选择第一候选点，将所述血管特征曲线中与所述第一候选点位置对应的候选点确定为第二候选点；对比子单元，用于将所述第一候选点与所述第二候选点的所述直径数值进行比对；判断子单元，用于判断所述第一候选点的所述直径数值是否小于所述第二候选点的所述直径数值；确定子单元，用于将直径数值小于第二候选点的直径数值的第一候选点确定为所述异常点。
在一可实施方式中，所述装置还包括：计算模块，用于分别计算每个所述血管异常子区域的血管狭窄率。
又一方面，本发明还提供一种计算机可读存储介质，所述存储介质中存储有计算机可执行指令，当所述指令被执行时用于执行本发明中所述的血管异常检测方法。
本发明通过获取血管的直径曲线，并利用自动化的方式对直径曲线进行拟合从而得到血管特征曲线，再利用计算机根据直径曲线对血管特征曲线进行筛选从而得到血管异常区域，提高了血管异常检测的便捷性及拟合精度。利用计算机，根据拟合出的血管特征曲线将直径曲线中的血管异常区域进行筛选，相比医生依经验根据直径曲线拟合出的血管特征曲线，由计算机进行拟合的血管特征曲线更为精确，同时利用计算机对血管异常区域进行筛选的准确度比依据人肉眼的判断对血管异常区域筛选的准确度更高。
附图说明
图1为本发明一实施例提供的一种血管异常检测方法示意图；
图2为本发明一实施例提供的一种筛选出血管异常区域方法示意图；
图3为本发明一实施例提供的一种筛选异常点的方法示意图；
图4为本发明一实施例提供的确定血管狭窄区域的示意图；
图5为本发明一实施例提供的一种血管异常检测装置示意图。
具体实施方式
为使本发明的目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而非全部实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明一实施例提供的一种血管异常检测方法示意图。
如图1所示，本发明实施例所提供的一种血管异常检测方法包括以下步骤：
步骤101，获取血管的直径曲线；
步骤102，对直径曲线执行曲线拟合处理，得到血管特征曲线；
步骤103，根据直径曲线及血管特征曲线筛选出血管异常区域。
本实施例中，通过对血管直径图像进行拟合处理，从而根据拟合得到的血管特征曲线与直径曲线筛选出位于直径曲线中的血管异常区域，利用曲线拟合的方式复原了医生对获取到的血管图像在大脑中进行理论值推算进而估算出血管异常区域的步骤，避免了医生因主观因素导致的拟合与筛选过程的不准确，提高了血管异常检测结果的准确性。
本实施例中，对于血管的直径曲线的获取，是基于血管CTA成像技术获得的。根据血管CTA成像技术得到血管分割图像，其中，血管分割图像中显示的血管形状为弯曲形状，对血管分割图像进行拉直进而得到血管预输出图像、即令各个位置血管分割的横截面的圆心所组成的轴线位于一条直线上；再沿轴向对血管预输出图像进行切割，并对切割后的血管预输出图像的宽度进行检测，从而得到各个位置的血管直径，由各个位置的血管直径组成血管的直径曲线。本发明实施例还可以根据血管分割图像的轴线拟合曲面，并根据拟合的曲面对血管图像进行切割，切割得到截面的宽度为血管直径，进而输出血管的直径曲线。
在获得血管分割图像的过程当中，能够对分割进行初步筛选，通过获取连通体与非连通体，将获取到的连通体认定为血管分割，设定距离阈值，所述这个距离阈值为连通体与非连通体之间的距离设定值，当连通体与非连通体之间的距离小于距离阈值时，判断这样的非连通体为血管分割；当连通体与非连通体之间的距离大于距离阈值时，判断这样的非连通体为噪音图像，因而排除了噪音图像对检测结果的干扰，提高了血管异常检测结果的准确性。利用血管直径曲线进行拟合，相比对如血管面积曲线等血管其他曲线进行拟合，所检测到的血管异常结果的准确性更高，例如，利用血管横截面面积进行异常检测时，当血管螺纹状的斑块病灶时，横截面积可能没有明显变化因此无法从血管面积拟合图像中获取到病灶异常信息，可是事实上血管当中已经出现了明显的异常，而通过血管直径曲线进行血管异常检测时，通过截面截取的直径曲线，能够连续的反应各个位置的血管的形态变化，从而更加直观的反应血管的异常情况，解决了利用横截面面积进行异常检测的不足。此外，获取血管的直径曲线可以是沿血管预输出图像轴线的多个角度对不同方向进行切割，从而获取到不同角度的血管的直径曲线，用这种方式获取到的直径曲线，可以反应出一些体积较小、只能在个别角度获取到的血管异常，因此对这些血管直径曲线进行分别拟合，从而可以对这些体积较小只能在个别角度获取到的血管异常进行筛选，提高了血管异常检测结果的准确性。对于获取到的直径曲线的数量可以是36条，分别对每一个角度的直径曲线进行分析，并通过对每一个角度的直径曲线进行分析从而得到每一个异常的具体位置及大致形状，从而进一步提高血管异常检测结果的可靠性。本实施例中，利用自动化的方式对直径曲线进行拟合从而得到血管特征曲线，提高了血管异常检测的便捷性及拟合精度。对直径曲线进行拟合处理，可以是将得到的直径曲线导入至库函数，利用库函数对离散的直径曲线进行拟合处理，从而得到血管特征曲线。其中，具体操作可以为，对直径曲线进行三次多项式拟合，经拟合得到的曲线为光滑曲线，为三次多项式曲线。
步骤103的具体实施过程可参见图2所示。
图2为本发明一实施例提供的一种筛选出血管异常区域方法示意图，主要包括以下操作：
步骤201，对比直径曲线和血管特征曲线，在直径曲线中筛选出异常点。
步骤202，由所述异常点得到血管异常子区域及血管异常区域。
本实施例中，所述血管异常子区域由单个不连续的所述异常点及多个连续的所述异常点构成，所述血管异常区域为所述血管异常子区域的集合。可以通过分析血管异常区域对血管中的全部异常情况进行整体分析，可以通过分析血管异常区域对血管中的局部异常进行分析，提高了血管异常检测结果的准确性。其中，单个不连续的异常点构成的血管异常子区域包括对多条直径曲线进行拟合分析后，同一位置上仅有一条直径曲线出现异常点，且该异常点所在的直径曲线两侧都没有相邻的其他异常点的情形；由多个连续的异常点构成的血管异常区域包括对多条直径曲线进行分析拟合后，有至少一条直径曲线中包含具有连续的多个异常点，在连续的多个异常点所对应的血管轴向区间范围内的其他直径曲线中的全部异常点。划分血管异常子区域的作用在于，对于由多个连续的异常点构成的血管异常子区域，能够反应血管中异常处在血管中的宽度；由单个不连续的异常点构成的血管异常子区域，能用于反应血管中存在体积较小且仅能在个别角度的直径曲线中检测出的血管异常的可能性。
步骤201的具体实施过程可参见图3。
如图3所示，本发明实施例中，在直径曲线中筛选出异常点，包括：
步骤301，在直径曲线中选择第一候选点；
步骤302，将血管特征曲线中与第一候选点位置对应的候选点确定为第二候选点；
步骤303，将第一候选点与第二候选点的直径数值进行比对；
步骤304，判断第一候选点的直径数值是否小于第二候选点的直径数值；
步骤305，当第一候选点的直径数值小于第二候选点的直径数值时，确定相应的第一候选点为异常点。
本实施例中，将直径曲线上的点与血管特征曲线中对应位置的点进行比较，并且选择第一候选点小于第二候选点的直径曲线上的点作为异常点。将血管特征曲线作为血管在健康状况下的形态特征，而通常情况下，血管若出现堵塞等病灶时往往会使血管直径小于健康状态下的血管直径。因此将直径曲线与血管特征曲线进行对比，并选择直径曲线中直径数值小于血管特征曲线的点作为异常点，有利于更准确的筛选出血管中的异常点。
本发明实施例中，在得到血管异常子区域及血管异常区域后，还包括：
计算并输出每个所述血管异常子区域的血管狭窄率。
本实施例中，分析每个血管异常子区域的血管狭窄率，由于血管中只要有任一部分产生严重狭窄，就会对血管的整体产生严重影响，因此需要对血管中的各个血管异常子区域分别进行血管狭窄率分析，以确保血管异常检测结果的准确性。异常点为一个非连续点时，血管狭窄率为该非连续点对应的第一候选点的直径数值除以第二候选点的直径数值；当异常点为多个连续点时，血管异常子区域的血管狭窄率可以在多个连续点分别对应的血管狭窄率中取最大值或最小值。对异常点的血管狭窄率进行分析，进一步提高对异常点分析的直观性。
图4为本发明一实施例提供的计算血管异常子区域的血管狭窄率的示意图。
如图4所示，本发明实施例中，所述分别计算每个所述血管异常子区域的血管狭窄率，包括：
步骤401，获取血管异常子区域的类型；
步骤412，当血管异常子区域由单个不连续异常点构成时，血管狭窄率为血管异常子区域中的异常点所对应的第一候选点的直径数值与第一候选点对应的第二候选点的直径数值的比值；
步骤422，当血管异常子区域由多个连续异常点构成时，分别计算血管异常子区域中所包含的全部异常点的血管狭窄率，即计算每个异常点所对应的第一候选点的直径数值与所述第一候选点对应的所述第二候选点的直径数值的比值。将得到的异常点中血管狭窄率最小的点所对应的血管狭窄率数值确定为血管异常子区域的血管狭窄率；
步骤403，输出血管狭窄率。
本实施例中，在每一个血管异常子区域中，对血管影响最大的点为血管狭窄率最小的点，因此，在判断血管异常子区域的血管狭窄率时只需取血管异常子区域中异常点的血管狭窄率的最小值作为该血管异常子区域的狭窄率，有利于提高判断血管异常的效率。可以同时输出最小狭窄率所对应的异常点，以便确定异常最严重的位置。其中，当血管狭窄率大于百分之50％忽略不计，当血管狭窄率介于50％以下且大于30％则认为血管为中度狭窄，当血管狭窄率在30％以下，则认为血管为重度狭窄。
图5为本发明一实施例提供的一种血管异常检测装置示意图。
下面，将参照图5来描述本发明的一种血管异常检测装置，该装置用于执行本发明实施例中所提到的一种血管异常检测方法。
本发明实施例提供的一种血管异常检测装置，包括：
获取模块501，用于获取血管的直径曲线；
拟合模块502，用于对直径曲线执行曲线拟合处理，得到血管特征曲线；
筛选模块503，用于根据直径曲线及血管特征曲线筛选出血管异常区域。
本实施例中，通过拟合模块502对血管直径图像进行拟合处理，从而根据拟合得到的血管特征曲线与直径曲线筛选出位于直径曲线中的血管异常区域，利用曲线拟合的方式复原了医生对获取到的血管图像在大脑中进行理论值推算进而估算出血管异常区域的步骤，避免了医生因主观因素导致的拟合与筛选过程的不准确，提高了血管异常检测结果的准确性。
本实施例中，获取模块501对血管的直径曲线的获取，是基于血管CTA成像技术获得的。根据血管CTA成像技术得到血管分割图像，其中，血管分割图像中显示的血管形状为弯曲形状，对血管分割图像进行拉直进而得到血管预输出图像、即令各个位置血管分割的横截面的圆心所组成的轴线位于一条直线上；再沿轴向对血管预输出图像进行切割，并对切割后的血管预输出图像的宽度进行检测，从而得到各个位置的血管直径，由各个位置的血管直径组成血管的直径曲线。本发明实施例还可以根据血管分割图像的轴线拟合曲面，并根据拟合的曲面对血管图像进行切割，切割得到截面的宽度为血管直径，进而输出血管的直径曲线。在获取模块501获得血管分割图像的过程当中，能够对分割进行初步筛选，通过获取连通体与非连通体，将获取到的连通体认定为血管分割，设定距离阈值，所述这个距离阈值为连通体与非连通体之间的距离设定值，当连通体与非连通体之间的距离小于距离阈值时，判断这样的非连通体为血管分割；当连通体与非连通体之间的距离大于距离阈值时，判断这样的非连通体为噪音图像，因而排除了噪音图像对检测结果的干扰，提高了血管异常检测结果的准确性。
拟合模块502利用血管直径曲线进行拟合，相比对如血管面积曲线等血管其他曲线进行拟合，所检测到的血管异常结果的准确性更高，例如，利用血管横截面面积进行异常检测时，当血管螺纹状的斑块病灶时，横截面积可能没有明显变化因此无法从血管面积拟合图像中获取到病灶异常信息，可是事实上血管当中已经出现了明显的异常，而通过血管直径曲线进行血管异常检测时，通过截面截取的直径曲线，能够连续的反应各个位置的血管的形态变化，从而更加直观的反应血管的异常情况，解决了利用横截面面积进行异常检测的不足。
此外，获取血管的直径曲线可以是沿血管预输出图像轴线的多个角度对不同方向进行切割，从而获取到不同角度的血管的直径曲线，用这种方式获取到的直径曲线，可以反应出一些体积较小、只能在个别角度获取到的血管异常，因此对这些血管直径曲线进行分别拟合，从而可以对这些体积较小只能在个别角度获取到的血管异常进行筛选，提高了血管异常检测结果的准确性。对于获取到的直径曲线的数量可以是36条，分别对每一个角度的直径曲线进行分析，并通过对每一个角度的直径曲线进行分析从而得到每一个异常的具体位置及大致形状，从而进一步提高血管异常检测结果的可靠性。拟合模块502利用自动化的方式对直径曲线进行拟合从而得到血管特征曲线，提高了血管异常检测的便捷性及拟合精度。对直径曲线进行拟合处理，可以是将得到的直径曲线导入至库函数，利用库函数对离散的直径曲线进行拟合处理，从而得到血管特征曲线。其中，具体操作可以为，对直径曲线进行三次多项式拟合，经拟合得到的曲线为光滑曲线，为三次多项式曲线。
本实施例中，筛选模块包括：
对比筛选单元，用于对比直线曲线和血管特征曲线，在直径曲线中筛选出异常点；
整理单元，用于得到血管异常子区域及血管异常区域，其中，所述血管异常子区域由单个不连续的所述异常点及多个连续的所述异常点构成，所述血管异常区域为所述血管异常子区域的集合。
本实施例中，对比筛选单元包括：
候选点选取子单元，用于在直径曲线中选择第一候选点，将血管特征曲线中与第一候选点位置对应的候选点确定为第二候选点；
对比子单元，用于将第一候选点与第二候选点的直径数值进行比对；
判断子单元，用于判断第一候选点的直径数值是否小于第二候选点的直径数值；
确定子单元，用于将直径数值小于第二候选点的直径数值的第一候选点确定为异常点。
本实施例中还包括：计算模块，用于分别计算每个所述血管异常子区域的血管狭窄率。
本实施例中整理单元进一步用于，选择每一个血管异常子区域中狭窄率最小的异常点的狭窄率作为血管异常子区域的狭窄率。
本发明实施例还提供一种计算机可读存储介质，存储介质中存储有计算机可执行指令，当指令被执行时用于执行本发明实施例中的血管异常检测方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种血管异常检测方法，其特征在于，包括：
获取血管的直径曲线；
对所述直径曲线执行曲线拟合处理，得到血管特征曲线；
根据所述直径曲线及所述血管特征曲线筛选出血管异常区域。
2.根据权利要求1所述的方法，其特征在于，所述根据直径曲线及血管特征曲线筛选出血管异常区域，包括：
对比所述直径曲线和血管特征曲线，在所述直径曲线中筛选出异常点；
由所述异常点得到血管异常子区域及血管异常区域；
其中，所述血管异常子区域由单个不连续的所述异常点及多个连续的所述异常点构成，所述血管异常区域为所述血管异常子区域的集合。
3.根据权利要求2所述的方法，其特征在于，所述在直径曲线中筛选出异常点，包括：
在所述直径曲线中选择第一候选点；
将所述血管特征曲线中与所述第一候选点位置对应的候选点确定为第二候选点；
将所述第一候选点与所述第二候选点的直径数值进行比对；
判断所述第一候选点的直径数值是否小于所述第二候选点的直径数值；
当所述第一候选点的直径数值小于所述第二候选点的直径数值时，确定相应的第一候选点为所述异常点。
4.根据权利要求2所述的方法，其特征在于，在得到血管异常子区域及血管异常区域后，所述方法还包括：
分别计算每个所述血管异常子区域的血管狭窄率。
5.根据权利要求4所述的方法，其特征在于，所述分别计算每个血管异常子区域的血管狭窄率，包括：
获取血管异常子区域的类型；
当所述血管异常子区域由单个不连续异常点构成时，所述血管狭窄率为所述血管异常子区域中的所述异常点所对应的所述第一候选点的直径数值与所述第一候选点对应的所述第二候选点的直径数值的比值；
当所述血管异常子区域由多个连续异常点构成时，分别计算所述血管异常子区域中所包含的全部所述异常点的所述血管狭窄率，即计算每个异常点所对应的所述第一候选点的直径数值与所述第一候选点对应的所述第二候选点的直径数值的比值；将得到的所述异常点中数值最小的血管狭窄率确定为所述血管异常子区域的血管狭窄率；
输出所述异常子区域的血管狭窄率。
6.一种血管异常检测装置，其特征在于，包括：
获取模块，用于获取血管的直径曲线；
拟合模块，用于对所述直径曲线执行曲线拟合处理，得到血管特征曲线；
筛选模块，用于根据所述直径曲线及所述血管特征曲线筛选出所述血管异常区域。
7.根据权利要求6所述的装置，其特征在于，所述筛选模块包括：
对比筛选单元，用于对比所述直线曲线和血管特征曲线，在所述直径曲线中筛选出异常点；
整理单元，用于由所述异常点得到血管异常子区域及血管异常区域；其中，所述血管异常子区域由单个不连续的所述异常点及多个连续的所述异常点构成，所述血管异常区域为所述血管异常子区域的集合。
8.根据权利要求7所述的装置，其特征在于，所述对比筛选单元包括：
候选点选取子单元，用于在所述直径曲线中选择第一候选点，将所述血管特征曲线中与所述第一候选点位置对应的候选点确定为第二候选点；
对比子单元，用于将所述第一候选点与所述第二候选点的所述直径数值进行比对；
判断子单元，用于判断所述第一候选点的所述直径数值是否小于所述第二候选点的所述直径数值；
确定子单元，用于将直径数值小于第二候选点的直径数值的第一候选点确定为所述异常点。
9.根据权利要求7所述的装置，其特征在于，所述装置还包括：计算模块，用于分别计算每个所述血管异常子区域的血管狭窄率。
10.一种计算机可读存储介质，所述存储介质中存储有计算机可执行指令，当所述指令被执行时用于执行权利要求1-5任一项所述的血管异常检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910147573.XA CN109886953B (zh) | 2019-02-27 | 2019-02-27 | 一种血管异常检测方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910147573.XA CN109886953B (zh) | 2019-02-27 | 2019-02-27 | 一种血管异常检测方法、装置及计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109886953A true CN109886953A (zh) | 2019-06-14 |
| CN109886953B CN109886953B (zh) | 2024-06-28 |
Family
ID=66929760
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910147573.XA Active CN109886953B (zh) | 2019-02-27 | 2019-02-27 | 一种血管异常检测方法、装置及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109886953B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112102327A (zh) * | 2019-06-18 | 2020-12-18 | 中国科学院深圳先进技术研究院 | 一种图像处理方法、装置及计算机可读存储介质 |
| CN112487342A (zh) * | 2020-11-25 | 2021-03-12 | 苏州润迈德医疗科技有限公司 | 精确获取狭窄病变区间的方法、系统及存储介质 |
| CN114359128A (zh) * | 2021-09-10 | 2022-04-15 | 数坤(北京)网络科技股份有限公司 | 一种血管狭窄的检测方法、装置及计算机可读介质 |
| CN118172734A (zh) * | 2024-04-28 | 2024-06-11 | 东莞市东南部中心医院(东莞市东南部中医医疗服务中心) | 基于高精图像的神经内科病灶辅助识别方法及装置 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005198708A (ja) * | 2004-01-13 | 2005-07-28 | Toshiba Corp | 血管狭窄率解析装置及び血管狭窄率解析方法 |
| JP2006167287A (ja) * | 2004-12-17 | 2006-06-29 | Toshiba Corp | 血管狭窄率解析システム |
| CN101901498A (zh) * | 2009-12-31 | 2010-12-01 | 华中科技大学 | 一种人体冠状动脉血管的递推建模方法 |
| CN101991420A (zh) * | 2009-08-27 | 2011-03-30 | 上海西门子医疗器械有限公司 | 一种疑似血管狭窄区域的定位方法和系统 |
| WO2014132694A1 (ja) * | 2013-02-27 | 2014-09-04 | オリンパス株式会社 | 画像処理装置、画像処理方法、及び画像処理プログラム |
| CN105380598A (zh) * | 2014-07-22 | 2016-03-09 | 西门子公司 | 关于针对动脉狭窄的自动治疗规划的方法和系统 |
| WO2017047819A1 (ja) * | 2015-09-18 | 2017-03-23 | イービーエム株式会社 | 血管形状分析装置、その方法、及びそのコンピュータソフトウェアプログラム |
| CN107115103A (zh) * | 2016-08-31 | 2017-09-01 | 哈尔滨工业大学深圳研究生院 | 一种基于阵列传感器设计的脉象宽度检测及3d脉图构建方法 |
| US20170265831A1 (en) * | 2016-03-16 | 2017-09-21 | Heartflow, Inc. | Systems and methods for estimating healthy lumen diameter and stenosis quantification in coronary arteries |
-
2019
- 2019-02-27 CN CN201910147573.XA patent/CN109886953B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005198708A (ja) * | 2004-01-13 | 2005-07-28 | Toshiba Corp | 血管狭窄率解析装置及び血管狭窄率解析方法 |
| JP2006167287A (ja) * | 2004-12-17 | 2006-06-29 | Toshiba Corp | 血管狭窄率解析システム |
| CN101991420A (zh) * | 2009-08-27 | 2011-03-30 | 上海西门子医疗器械有限公司 | 一种疑似血管狭窄区域的定位方法和系统 |
| CN101901498A (zh) * | 2009-12-31 | 2010-12-01 | 华中科技大学 | 一种人体冠状动脉血管的递推建模方法 |
| WO2014132694A1 (ja) * | 2013-02-27 | 2014-09-04 | オリンパス株式会社 | 画像処理装置、画像処理方法、及び画像処理プログラム |
| CN105380598A (zh) * | 2014-07-22 | 2016-03-09 | 西门子公司 | 关于针对动脉狭窄的自动治疗规划的方法和系统 |
| WO2017047819A1 (ja) * | 2015-09-18 | 2017-03-23 | イービーエム株式会社 | 血管形状分析装置、その方法、及びそのコンピュータソフトウェアプログラム |
| JPWO2017047819A1 (ja) * | 2015-09-18 | 2018-08-02 | イービーエム株式会社 | 血管形状分析装置、その方法、及びそのコンピュータソフトウェアプログラム |
| US20170265831A1 (en) * | 2016-03-16 | 2017-09-21 | Heartflow, Inc. | Systems and methods for estimating healthy lumen diameter and stenosis quantification in coronary arteries |
| CN107115103A (zh) * | 2016-08-31 | 2017-09-01 | 哈尔滨工业大学深圳研究生院 | 一种基于阵列传感器设计的脉象宽度检测及3d脉图构建方法 |
Non-Patent Citations (5)
| Title |
|---|
| 关尚一;朱为模;: "青少年心血管代谢性健康风险与身体活动的剂量效应", 体育学刊, no. 06, 28 November 2013 (2013-11-28) * |
| 冯瑶;刘宁;冯亚崇;: "一种针对造影图像中血管狭窄的自动识别技术", 生物医学工程学杂志, no. 02, 25 April 2013 (2013-04-25) * |
| 易坤楠: "《基于数学建模的数学实验》", 31 August 2018, 中国铁道出版, pages: 67 - 69 * |
| 朱泰英等: "《高等数学 下册 机电类》", 31 January 2013, 中国铁道出版社, pages: 254 - 258 * |
| 陈雄达等: "《数学实验.下册》", 31 March 2018, 同济大学出版社, pages: 47 - 51 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112102327A (zh) * | 2019-06-18 | 2020-12-18 | 中国科学院深圳先进技术研究院 | 一种图像处理方法、装置及计算机可读存储介质 |
| CN112102327B (zh) * | 2019-06-18 | 2024-02-27 | 中国科学院深圳先进技术研究院 | 一种图像处理方法、装置及计算机可读存储介质 |
| CN112487342A (zh) * | 2020-11-25 | 2021-03-12 | 苏州润迈德医疗科技有限公司 | 精确获取狭窄病变区间的方法、系统及存储介质 |
| WO2022109909A1 (zh) * | 2020-11-25 | 2022-06-02 | 苏州润迈德医疗科技有限公司 | 精确获取狭窄病变区间的方法、系统及存储介质 |
| CN114359128A (zh) * | 2021-09-10 | 2022-04-15 | 数坤(北京)网络科技股份有限公司 | 一种血管狭窄的检测方法、装置及计算机可读介质 |
| CN118172734A (zh) * | 2024-04-28 | 2024-06-11 | 东莞市东南部中心医院(东莞市东南部中医医疗服务中心) | 基于高精图像的神经内科病灶辅助识别方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109886953B (zh) | 2024-06-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109886953A (zh) | 一种血管异常检测方法、装置及计算机可读存储介质 | |
| Shpilfoygel et al. | X‐ray videodensitometric methods for blood flow and velocity measurement: a critical review of literature | |
| Zhou et al. | The detection and quantification of retinopathy using digital angiograms | |
| Diaz-Zamudio et al. | Automated quantitative plaque burden from coronary CT angiography noninvasively predicts hemodynamic significance by using fractional flow reserve in intermediate coronary lesions | |
| CN105474264B (zh) | 用于交互地分割在血管造影图像数据中的血管的分割装置 | |
| CN110623657B (zh) | 激活波阵面的混合的双极性/单极性检测 | |
| EP2931115B1 (en) | Apparatus for automated determination of a lumen contour of a blood vessel | |
| US8422752B2 (en) | Diagnosis assisting apparatus, diagnosis assisting method, and storage medium in which a diagnosis assisting program is recorded | |
| CN104978725B (zh) | 一种冠状动脉分割方法和装置 | |
| WO2017047819A1 (ja) | 血管形状分析装置、その方法、及びそのコンピュータソフトウェアプログラム | |
| CN103549948B (zh) | 心脏激动时间检测 | |
| CN109872321A (zh) | 一种血管狭窄检测方法及设备 | |
| WO2015157641A1 (en) | System and method for diagnosing defects in random flow systems | |
| KR102272413B1 (ko) | 관상동맥 혈관조영술 기반의 기계 학습을 통한 허혈 병변 정보 제공 장치, 정보 제공 방법 및 이의 기록매체 | |
| CN112967220A (zh) | 评估与血管周围组织有关的ct数据集的计算机实现的方法 | |
| CN107174264B (zh) | 确定流体动力学特征值的装置和方法 | |
| Surkova et al. | Clinical and prognostic implications of methods and partition values used to assess left atrial volume by two-dimensional echocardiography | |
| KR101748261B1 (ko) | 심전도 데이터를 그래프로 시각화하여 부정맥을 판별하는 방법 및 시스템 | |
| EP3245632B1 (en) | Vessel lumen sub-resolution segmentation | |
| CN115474941A (zh) | 心拍基准点检测方法、装置、设备及存储介质 | |
| CN109875595B (zh) | 一种颅内血管状态检测方法及装置 | |
| WO2020220403A1 (zh) | 疲劳状态检测方法、装置、设备及存储介质 | |
| Lu et al. | Reformatted four-chamber and short-axis views of the heart using thin section (≤ 2 mm) MDCT images | |
| CN116491968A (zh) | 基于单时相cta的急性缺血性卒中侧支循环评估方法 | |
| Chen et al. | Hemodynamic differences caused by left atrial appendage modeling contours |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB02 | Change of applicant information |
Address after: 100102 No. 501 No. 12, 5th floor, No. 6, Wangjing Dongyuan District 4, Chaoyang District, Beijing Applicant after: Shukun (Beijing) Network Technology Co.,Ltd. Address before: 100102 No. 501 No. 12, 5th floor, No. 6, Wangjing Dongyuan District 4, Chaoyang District, Beijing Applicant before: SHUKUN (BEIJING) NETWORK TECHNOLOGY Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: Rooms 303, 304, 305, 321 and 322, building 3, No. 11, Chuangxin Road, science and Technology Park, Changping District, Beijing Applicant after: Shukun Technology Co.,Ltd. Address before: 100102 No. 501 No. 12, 5th floor, No. 6, Wangjing Dongyuan District 4, Chaoyang District, Beijing Applicant before: Shukun (Beijing) Network Technology Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |